تصور کنید تنها با نوشتن یک توصیف کوتاه، یک دنیای سه بعدی کامل و قابل گشت‌وگذار در لحظه ساخته شود. در ۲ آگوست ۲۰۲۶، آندرج کارپاتی (Andrej Karpathy) با درخواست از مدل Opus 5 برای رندر کردن پاراگراف اول کتاب «ارباب حلقه‌ها» در قالب یک محیط Three.js، جهشی خیره‌کننده در قابلیت‌های تولید کد نمایش داد.
این تجربه در ادامه علاقه دیرینه کارپاتی به تلاقی هوش مصنوعی و مهندسی نرم‌افزار صورت گرفت؛ همان‌طور که در تحلیل قبلی ما درباره‌ی علاقه شخصی کارپاتی به فراتر رفتن از هایپ‌های شرکتی اشاره کردیم، او همواره به دنبال یافتن مرزهای واقعی قدرت مدل‌هاست. در حالی که توسعه‌دهندگان انسانی شاید برای ساخت چنین شبیه‌سازی‌های خاص و محدود، زمان زیادی صرف نکنند، اما «استقامت نامحدود» مدل‌های زبانی بزرگ (LLM) باعث می‌شود تولید این دارایی‌های فوق‌سفارشی عملاً رایگان باشد. این کارایی در مدل‌های جدید مدیون به بهینه‌سازی‌های ساختاری است، مشابه آنچه در بررسی معماری ترکیب خبره‌ها برای کاهش هزینه‌ی استنتاج تحلیل کردیم که اجازه می‌دهد مدل‌ها بدون افت کیفیت، مقیاس‌پذیرتر شوند.
به نقل از پست X کارپاتی، این مدل با بودجه‌ای معادل ۱ میلیون توکن (Token) — که تقریباً ۱۰ دلار هزینه داشت — طی دو ساعت، ۵۵۰۰ خط کد تولید کرد. بر اساس مستندات این آزمایش، خروجی نهایی یک روایت رویه‌ای بود که مدل باید در آن موارد زیر را مدیریت می‌کرد:
- سازمان‌دهی دارایی‌های چندضلعی (Polygon) در مختصات (x,y,z).
- نوشتن کدهای انیمیشن سفارشی برای همگام‌سازی جلوه‌های بصری با روایت متنی.
- مدیریت جایگذاری فضایی شخصیت‌ها و اشیا در چارچوب Three.js.
این نتیجه، فرضیات پیشین درباره محتوای «در لحظه» (On-demand) را تغییر می‌دهد و آینده‌ای را ترسیم می‌کند که کاربران می‌توانند به عنوان تماشاگر یا یک NPC، وارد نسخه‌ای زودگذر و لحظه‌ای از بازی‌هایی شبیه GTA شوند که بر اساس تخیل آن‌ها ساخته شده است. با این حال، این فرآیند یک نقطه ضعف حیاتی را افشا کرد: ناتوانی مدل‌ها در درک بومی یا بازرسی (Audit) بازی‌هایی که می‌سازند.
برای اصلاح خطاها، Opus 5 مجبور بود با دشواری و به‌صورت گام‌به‌گام از نقاط مختلف اسکرین‌شات بگیرد، که همین موضوع منجر به ایجاد برخی نقص‌های بصری (Artifacts) در رندر نهایی شد. این شکاف در حلقه‌های بازخورد چندوجهی (Multimodal) بومی، همچنان اصلی‌ترین مانع برای توسعه خودکار بازی‌هاست. تا زمانی که مدل‌ها نتوانند به‌طور بهینه ساخته‌های خود را «بازی» کنند، عبور از تولید کد خام به تجربه‌های تعاملی صیقل‌خورده، نیازمند بازرسی‌های کند و تکراری مبتنی بر تصویر خواهد بود.
برای اصلاح خطاها، Opus 5 مجبور بود با دشواری و به‌صورت گام‌به‌گام از نقاط مختلف اسکرین‌شات بگیرد، که همین موضوع منجر به ایجاد برخی نقص‌های بصری (Artifacts) در رندر نهایی شد. این شکاف در حلقه‌های بازخورد چندوجهی (Multimodal) بومی، همچنان اصلی‌ترین مانع برای توسعه خودکار بازی‌هاست. تا زمانی که مدل‌ها نتوانند به‌طور بهینه ساخته‌های خود را «بازی» کنند، عبور از تولید کد خام به تجربه‌های تعاملی صیقل‌خورده، نیازمند بازرسی‌های کند و تکراری مبتنی بر تصویر خواهد بود.
گام بعدی شما
- بررسی کتابخانه Three.js برای درک نحوه تعامل مدل‌های زبانی با محیط‌های وب سه بعدی.
- آزمایش مدل‌های استدلالی برای تولید کدهای ساختاری پیچیده با حجم بالای توکن.
- دنبال کردن تحولات مدل‌های چندوجهی در زمینه بازخورد بصری در لحظه (Real-time visual feedback).
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ برای درک اینکه چگونه GPUهای نسل جدید این حجم از کد را پردازش می‌کنند، به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.
گفتگو